arXiv:2510.23585v1 Announce Type: new 
Abstract: The identification of hope speech has become a promised NLP task, considering the need to detect motivational expressions of agency and goal-directed behaviour on social media platforms. This proposal evaluates traditional machine learning models and fine-tuned transformers for a previously split hope speech dataset as train, development and test set. On development test, a linear-kernel SVM and logistic regression both reached a macro-F1 of 0.78; SVM with RBF kernel reached 0.77, and Na\"ive Bayes hit 0.75. Transformer models delivered better results, the best model achieved weighted precision of 0.82, weighted recall of 0.80, weighted F1 of 0.79, macro F1 of 0.79, and 0.80 accuracy. These results suggest that while optimally configured traditional machine learning models remain agile, transformer architectures detect some subtle semantics of hope to achieve higher precision and recall in hope speech detection, suggesting that larges transformers and LLMs could perform better in small datasets.

تسلط دراسة حديثة حول اكتشاف خطاب الأمل في وسائل التواصل الاجتماعي الضوء على فعالية كل من نماذج التعلم الآلي التقليدية ونماذج المحولات المتقدمة. من خلال تقييم مجموعة بيانات مصممة خصيصًا لهذا الغرض، وجد الباحثون أن نماذج مثل SVM ذات النواة الخطية والانحدار اللوجستي حققت نتائج مثيرة للإعجاب، حيث وصلت إلى درجة macro-F1 تبلغ 0.78. هذه الأبحاث مهمة لأنها تعالج الحاجة المتزايدة لتحديد التعبيرات التحفيزية عبر الإنترنت، مما يمكن أن يعزز خطابًا أكثر إيجابية وهدفًا في الفضاءات الرقمية.

Un estudio reciente sobre la detección del discurso de esperanza en las redes sociales destaca la efectividad de los modelos tradicionales de aprendizaje automático y de los modelos avanzados de transformadores. Al evaluar un conjunto de datos diseñado específicamente para este propósito, los investigadores encontraron que modelos como el SVM de núcleo lineal y la regresión logística lograron resultados impresionantes, alcanzando un puntaje macro-F1 de 0.78. Esta investigación es significativa ya que aborda la creciente necesidad de identificar expresiones motivacionales en línea, lo que puede fomentar un discurso más positivo y orientado a objetivos en los espacios digitales.

Une étude récente sur la détection du discours d'espoir sur les réseaux sociaux met en lumière l'efficacité des modèles d'apprentissage automatique traditionnels ainsi que des modèles avancés de transformateurs. En évaluant un ensemble de données spécifiquement conçu à cet effet, les chercheurs ont constaté que des modèles comme le SVM à noyau linéaire et la régression logistique ont obtenu des résultats impressionnants, atteignant un score macro-F1 de 0,78. Cette recherche est significative car elle répond au besoin croissant d'identifier les expressions motivationnelles en ligne, ce qui peut favoriser un discours plus positif et orienté vers les objectifs dans les espaces numériques.

A recent study on hope speech detection in social media highlights the effectiveness of both traditional machine learning models and advanced transformer models. By evaluating a dataset specifically designed for this purpose, researchers found that models like linear-kernel SVM and logistic regression achieved impressive results, reaching a macro-F1 score of 0.78. This research is significant as it addresses the growing need to identify motivational expressions online, which can foster a more positive and goal-oriented discourse in digital spaces.

Hope Speech Detection in Social Media English Corpora: Performance of Traditional and Transformer Models

arXiv:2512.02489v1 Announce Type: new 
Abstract: I present an application of established machine learning techniques to NHANES health survey data for predicting diabetes status. I compare baseline models (logistic regression, random forest, XGBoost) with a hybrid approach that uses an XGBoost feature encoder and a lightweight multilayer perceptron (MLP) head. Experiments show the hybrid model attains improved AUC and balanced accuracy compared to baselines on the processed NHANES subset. I release code and reproducible scripts to encourage replication.

قدمت دراسة حديثة نموذجًا هجينًا من التعلم الآلي يجمع بين الانحدار المعاقب وطبقة متعددة من البيرسيبترون (MLP) للتنبؤ بحالة السكري باستخدام بيانات مسح الصحة NHANES. تفوق هذا النموذج على الطرق التقليدية مثل الانحدار اللوجستي والغابة العشوائية من حيث المساحة تحت المنحنى (AUC) والدقة المتوازنة، مما يظهر فعاليته في التعامل مع البيانات عالية الأبعاد وقليلة العينة (HDLSS).

Un estudio reciente presentó un modelo híbrido de aprendizaje automático que combina regresión penalizada y un perceptrón multicapa (MLP) para predecir el estado de diabetes utilizando datos de la encuesta de salud NHANES. Este modelo superó a métodos tradicionales como la regresión logística y el bosque aleatorio en términos de área bajo la curva (AUC) y precisión equilibrada, demostrando su efectividad en el manejo de datos de alta dimensión y baja muestra (HDLSS).

Une étude récente a introduit un modèle hybride d'apprentissage automatique combinant la régression pénalisée et un perceptron multicouche (MLP) pour prédire le statut diabétique à partir des données de l'enquête de santé NHANES. Ce modèle a surpassé les méthodes traditionnelles telles que la régression logistique et la forêt aléatoire en termes de surface sous la courbe (AUC) et de précision équilibrée, démontrant son efficacité dans le traitement des données à haute dimension et faible taille d'échantillon (HDLSS).

A recent study introduced a hybrid machine learning model combining penalized regression and a multilayer perceptron (MLP) for predicting diabetes status using NHANES health survey data. This model outperformed traditional methods like logistic regression and random forest in terms of area under the curve (AUC) and balanced accuracy, showcasing its effectiveness in handling high-dimensional low-sample-size (HDLSS) data.

Hybrid(Penalized Regression and MLP) Models for Outcome Prediction in HDLSS Health Data

arXiv:2512.01097v1 Announce Type: new 
Abstract: We introduce Smart Bayes, a new classification framework that bridges generative and discriminative modeling by integrating likelihood-ratio-based generative features into a logistic-regression-style discriminative classifier. From the generative perspective, Smart Bayes relaxes the fixed unit weights of Naive Bayes by allowing data-driven coefficients on density-ratio features. From a discriminative perspective, it constructs transformed inputs as marginal log-density ratios that explicitly quantify how much more likely each feature value is under one class than another, thereby providing predictors with stronger class separation than the raw covariates. To support this framework, we develop a spline-based estimator for univariate log-density ratios that is flexible, robust, and computationally efficient. Through extensive simulations and real-data studies, Smart Bayes often outperforms both logistic regression and Naive Bayes. Our results highlight the potential of hybrid approaches that exploit generative structure to enhance discriminative performance.

تم تقديم إطار تصنيف جديد يسمى Smart Bayes، والذي يدمج ميزات توليدية قائمة على نسبة الاحتمالية في مصنف تمييزي على طراز الانحدار اللوجستي. تتيح هذه الطريقة وجود معاملات مدفوعة بالبيانات على ميزات نسبة الكثافة، مما يعزز فصل الفئات مقارنة بالطرق التقليدية مثل Naive Bayes والانحدار اللوجستي.

Se ha introducido un nuevo marco de clasificación llamado Smart Bayes, que integra características generativas basadas en la razón de verosimilitud en un clasificador discriminativo de estilo regresión logística. Este enfoque permite coeficientes impulsados por datos en características de razón de densidad, mejorando así la separación de clases en comparación con métodos tradicionales como Naive Bayes y la regresión logística.

Un nouveau cadre de classification nommé Smart Bayes a été introduit, intégrant des caractéristiques génératives basées sur le rapport de vraisemblance dans un classificateur discriminatif de type régression logistique. Cette approche permet des coefficients basés sur les données pour les caractéristiques de rapport de densité, améliorant ainsi la séparation des classes par rapport aux méthodes traditionnelles comme Naive Bayes et la régression logistique.

A new classification framework named Smart Bayes has been introduced, which integrates likelihood-ratio-based generative features into a logistic-regression-style discriminative classifier. This approach allows for data-driven coefficients on density-ratio features, enhancing class separation compared to traditional methods like Naive Bayes and logistic regression.

Hope Speech Detection in Social Media English Corpora: Performance of Traditional and Transformer Models

Was this article worth reading? Share it

Sellm

Kokoro TTS

Open Source Surveillance